gk 機械学習 評価指標 頻出
G検定トップ
＞ Recall（再現率）
まず結論
Recall（再現率）は、「実際に陽性だったもののうち、どれだけを正しく検出できたか」を表す指標です。
混同行列を使うと、
Recall = TP / (TP + FN)
👉 見逃し（FN）をどれだけ減らせているか を見る指標です。
直感的な説明
「本当に異常だったもの」に対して、
- ちゃんと異常だと検知できた割合は？
- 取りこぼしはどれくらいある？
これを表します。
👉 “拾える力”を見る指標 と考えると分かりやすいです。
混同行列からの式（最重要）
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP | FN |
| 実際：陰性 | FP | TN |
- 分母：実際に陽性だったもの（TP + FN）
- 分子：その中で正しく検出できたもの（TP）
いつ使う？（得意・不得意）
得意
- 見逃しを極力避けたいとき
- 陽性を「漏らさず拾いたい」場面
例：
- 医療診断（病気の見逃しは致命的）
- 異常検知（重大事故の防止）
- セキュリティ侵入検知
苦手
- 誤検知（FP）が多くても、数値が高くなることがある
👉 Recallが高くても、Precisionが低い場合がある。
Accuracy・Precisionとの違い
- Accuracy：全体でどれだけ当たったか
- Precision：陽性と予測した中でどれだけ正解か
- Recall：実際の陽性をどれだけ拾えたか
👉 Recallは「実際側」から見た指標。
G検定ひっかけポイント
- Recall は FN（見逃し）に敏感
- 「再現率」＝ 本物をどれだけ再現できたか
- 医療・異常検知では Recall重視 になりやすい
よくある勘違い
- ❌ Recall が高い＝誤検知が少ない
→ ⭕ 見逃しが少ないだけで、誤検知は多いかもしれない - ❌ Recall は Precision と同じ
→ ⭕ 分母が違う
まとめ（試験直前用）
- Recall = TP / (TP + FN)
- 見逃し（FN）をどれだけ減らせたか
- 「拾える力」を表す指標
- Precision と 必ずセットで考える
🔗 関連記事
🏠 G検トップに戻る